AI-baserad cybersäkerhet för CAN och IP kommunikation i befintlig fordonsmiljö

Syfte och mål

Fordon blir mer och mer digitala och uppkopplade vilket också gör dem mer sårbara för cyberattacker. Målet med projektet är att via en konceptvalidering påvisa att metoder baserade på maskininlärning praktiskt kan integreras i en fordonsmiljö, och användas för att detektera avvikelser i kommunikationsbeteende mellan komponenter i ett fordon, oavsett om de kommunicerar över CAN-bus eller IP. Detta för att på ett tidigt stadie upptäcka beteendeförändringar som kan bero på påverkan på en komponent med syftet att påverka fordonets funktion eller försök till insamling av information.

Förväntade effekter och resultat

Projektets förväntade resultat och kunskap om hur man kan detektera avvikelser i kombinationen av kommunikation över både CAN-bus och IP är implementerbart i all fordonstillverkande industri, men potential finns även för andra tillämpningar såsom IoT-enheter, smart industriell automatisering och uppkopplad medicinsk utrustning. Med hjälp av detektering av intrång och avvikelser i fordonets sensorer och system skapas förutsättningar för att skyddafordonets besättning/passagerare likväl som den omkringliggande miljö som fordonet befinner sig i.